Geri Dön

Machine learning-based prediction model for installed wind and solar energy capacities among OECD countries: An LSTM approach

OECD ülkeleri arasında kurulu rüzgâr ve güneş enerjisi kapasiteleri için makine öğrenimi temelli tahmin modeli: Bir LSTM yaklaşımı

PDF İndir

  1. Tez No: 863568
  2. Yazar: EZGİ ÇAĞLAR NİZAM
  3. Danışmanlar: DOÇ. DR. GÖRKEM ATAMAN
  4. Tez Türü: Yüksek Lisans
  5. Konular: İşletme, Business Administration
  6. Anahtar Kelimeler: Makine öğrenimi tahminlemesi, LSTM yöntemi, kurulu güneş enerjisi kapasitesi, kurulu rüzgâr enerjisi kapasitesi, çevresel politika, machine learning prediction, LSTM method, installed solar energy capacity, installed wind energy capacity, environmental policy
  7. Yıl: 2024
  8. Dil: İngilizce
  9. Üniversite: Yaşar Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: İşletme Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

İklim krizinin ana nedeni olarak gösterilen fosil yakıt tüketimi, özellikle sanayileşme ve endüstriyel faaliyetlerin bir sonucu olarak ortaya çıkmaktadır. Bu değişimlerin etkilerini hafifletmek adına, çevresel politika önlemleri ve teknolojik inovasyonlar, özellikle rüzgar ve güneş enerjisi gibi yenilenebilir enerji kaynaklarına odaklanmıştır. Bu araştırma, makine öğrenimi temelli bir model olan uzun kısa vadeli hafıza (LSTM) algoritmasını kullanarak, kurulu rüzgar ve güneş enerjisi kapasitelerini tahmin etmeyi amaçlamaktadır. Analizler, 24 OECD üyesi ülkeyi içeren geniş kapsamlı bir zaman serisi veri setini kullanarak, 2000 ile 2020 yılları arasındaki sosyal, ekonomik, geleneksel ve yenilenebilir enerji kaynakları ve çeşitli çevresel politika teşvik ve yasalarını kapsamaktadır. Elde edilen sonuçlar, kurulu rüzgar enerjisi kapasitesi modeli yüksek doğrulukta tahminleme performansı sergilerken, kurulu güneş enerjisi kapasitesi modelinin kurulu rüzgar enerjisi modeline kıyasla daha düşük doğrulukta tahminleme performansı gösterdiğini ortaya koymaktadır. Bu çalışma, öngörülen güneş ve rüzgar kapasiteleri ile enerji dönüşüm süreçlerine ve politika oluşturmaya dair dikkat çekmeyi ve değerli bilgiler sunmayı amaçlamaktadır.

Özet (Çeviri)

The main cause attributed to the climate crisis is the consumption of fossil fuels, particularly arising from industrialization and industrial activities. To mitigate the impacts of these changes, environmental policy measures and technological innovations have focused prominently on renewable energy sources, especially wind and solar energy. This research aims to predict installed wind and solar energy capacities using a machine learning-based model, specifically the Long Short-Term Memory (LSTM) algorithm. The analyses cover a comprehensive time series dataset, including social, economic, conventional, and renewable energy attributes, as well as various environmental policy incentives and laws. The dataset spans the years from 2000 to 2020 and encompasses 24 OECD member countries. The results reveal that the installed wind energy capacity model exhibits high accuracy in prediction performance, whereas the installed solar energy capacity model demonstrates lower accuracy compared to the installed wind energy model. This study intends to draw attention to and provide valuable insights into the predicted solar and wind capacities, aiming to contribute to discussions on energy transformation processes and policymaking.

Benzer Tezler

  1. Tez No

    995537

    Türkiye enerji piyasasının makine öğrenmesi uygulamasıyla düşük-karbon salımına geçişte ajan temelli modellenmesi

    Turkish energy market agent-based modeling for low-carbon transition with machine learning application

    BURAK GÖKÇE

    Doktora

    Türkçe

    Türkçe

    2026

    Enerjiİstanbul Teknik Üniversitesi

    Enerji Bilimi ve Teknolojileri Ana Bilim Dalı

    PROF. DR. GÜLGÜN KAYAKUTLU

  2. Tez No

    1017673

    Forecasting solar irradiance using deep learning and big data analytics techniques in Sakarya and Damascus

    Sakarya ve Şam'da derin öğrenme ve büyük veri analitiği teknikleri kullanılarak güneş ışınımının tahmini

    MARYA ALHAJMOHAMMADOTHMAN

    Yüksek Lisans

    İngilizce

    İngilizce

    2026

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya Üniversitesi

    Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. CEYDA AKSOY TIRMIKÇI

    DR. ÖĞR. ÜYESİ DENİZ BALTA

  3. Tez No

    887668

    Feasibility analysis based on advanced deep learning techniques in integrating renewable energy resources into microgrids

    Yenilenebilir enerji kaynaklarının mikroşebekelere entegre edilmesinde gelişmiş derin öğrenme tekniklerine dayalı uygulanılabilirlik analizi

    FATHI FARAH FADOUL FATHI FARAH FADOUL

    Doktora

    İngilizce

    İngilizce

    2024

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektrik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. RAMAZAN ÇAĞLAR

  4. Tez No

    1020044

    Hava tahmin modelleri ve yüzdelik dilim regresyonu temelli hibrit güneş enerjisi öngörü sistemi geliştirilmesi ve uygulamaları

    Development and applications of a hybrid solar energy forcasting system integrating weather models and quantile regression

    AYŞEGÜL BİÇER

    Yüksek Lisans

    Türkçe

    Türkçe

    2026

    Meteorolojiİstanbul Teknik Üniversitesi

    Meteoroloji Mühendisliği Ana Bilim Dalı

    PROF. DR. AHMET DURAN ŞAHİN

  5. Tez No

    878258

    Güç sistemlerinde yenilenebilir enerjiye dayalı rezerv optimizasyonu

    Reserve optimization based on renewable energy in power systems

    SERDAL ATİÇ

    Doktora

    Türkçe

    Türkçe

    2024

    EnerjiYıldız Teknik Üniversitesi

    Elektrik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. ERCAN İZGİ

    DOÇ. DR. MEHMET RIDA TÜR

Geri Dön